【Data x UX】UJM -1 先建立大節點模型 for AARRR，觀察 conversion rate，建立大指標

Photo by insung yoon on Unsplash

指標建立

先建立大節點模型 for AARRR，觀察 conversion rate，建立大指標及Funnel 視覺化.

前言

【均一】Data x UX — User Journey Map -0 -整體規劃

執行原則

這邊我們先談 UJM 基於資料基礎上的實作部分，先不考慮使用者分群，以整體在平台上的數字加總及轉換率作為現實依據狀況，再從大處開始再往細部看

UJM -1.1

先建立大節點模型 for AARRR

以 AARRR 進行

Acquire (A1)：來訪的使用者

A1 — A2 Convertion Rate：檢視on boarding 體驗順暢，可以找到想要的東西

Active (A2)：嘗試體驗的紀錄

A2 — R0 Convertion Rate：檢視當期體驗是否滿意

Retention (R0)：當期體驗良好的紀錄，行為會因使用者型態而有所區分：

• 自學生：自學內容超過十分鐘
• 任務型：任務後，願意自己去多做任務以外的內容

Retention (R1~R30)：後續幾天願意再來的紀錄

這邊要注意的是：AAR 會需要分新舊人，因為這兩群人的體驗及行為對應的 action 是不一樣的，新人的 AAR 會表現出即時 onboard 的體驗是否良好，是短期的表徵，而對舊人來說，後續的來訪活動紀錄，則代表是否感受到長期價值

Acquire：

使用 GA 資料

1. 我們使用 dauGA 這個工具，將GA 資料倒入 BigQuery，因此我們可以掌握來訪的紀錄（即使他沒註冊或沒有任何使用紀錄）
2. 利用 ga_user_cookie_map 進行資料清理，分辨出 cookie_id 與 均一 id的配對，同時也辨別「公用電腦」，讓我們明確的知道不同載具的使用者分別是誰，避免數據過份膨脹
3. 利用 ga_page_view 搭配 資料庫備份，找出每個使用者（含訪客）的首次來訪記錄 first_visit_date
4. 但均一資料庫備份中，仍有部分使用者不在 GA 資料裡，一個選擇是捨去這些資料，一個選擇是補齊，我們選擇後者，因為GA 沒記錄到的，可能是技術上的缺失，而這些使用者有明確的使用紀錄，可以向 Active 串連，是真實存在的使用者，因此需要在 Acquire 這個節點將 GA miss data 補齊

我們發現身份為null（大部分為訪客）

Active：

存取使用資料庫各個行為特徵

在這個階段，我們不只考慮使用內容（習題或影片）作為 Active 的主要特徵，而是建立更大的 scope，包含使用任務、徽章、檢視紀錄、討論區等等，讓我們的 Active 有更大的討論空間，畢竟此時在跟UX persona 合併前，我們還不知道 UX 希望置入在Jouney 的 active 定義是什麼

Active table 建立時，需要有一些原則框架去做 data transfer，例如：人、事、時、地、物，以便讓不同的 activity 有辦法在一張表格內呈現，同時維持解析度，這邊會考驗到資料工程師、分析師在結構上的編排能力

Acquire → Active 轉換率學生身份較高，訪客身份相當低，其中老師與家長身份的用戶在2017 的暑假後，開始走下坡，估計是當時的改版，將用戶使用情境從首頁開始就區分開來，因此老師及家長會被導入班級管理頁面，減少使用內容的觸及機會

Retention：

根據 Active table 定義 retention

Retention (R0)：當期體驗良好的紀錄，行為會因使用者型態而有所區分，我們想知道來的當下，除了 active 之外，這次的 active 是否有好的體驗，因此分為兩個 mode：

• 自學生：自學內容超過十分鐘
• 任務型：任務後，願意自己去多做任務以外的內容

UJM -1.2

觀察 conversion rate

因為我們的視覺化包含 Acquire to Active, Active to Retention， 因此conversion rate 可以看兩個部分，這裡的 active 我們抓第一天造訪就能激活，以提升其轉換率當作我們 on boarding 體驗的標準

我們先觀察 Acquire to Active，簡稱 A1 — A2

A1-A2 by Month

因此我們可以看到逐月的 A1、A2 的數量，以及其轉換率。同時，如果我們要做 AB test 等實驗，可能可以轉成 weekly 以快速驗證

A1-A2 by Week

20190223 討論後，決定將TA 以「新舊人」分群，新舊人區別 by 來訪天數，大於一天就是舊人，有幾個發現：

新舊人Acquire → Active 的轉換率，相差 0.5

舊人轉換率有 0.7以上，目前我認為不是很要緊，要 focus on 新人

• 疑問1：找出第一次來，但不active 的新人，到底怎麼了？
• 疑問2：那這些不active 的新人，幾次之後來才會 active 呢？ 還是通常就不會再來了？
• 疑問3：如果一般人都有慢熱期，那這段期間有沒有機會持續誘導，直到 active 發生？

先觀察 Active 當天的體驗 Retention，簡稱 R0，我們認為當天的體驗不應該只有激活，還應該讓使用者感受到完整價值，進而提高後續的再訪留存

我們發現，用戶在兩種 mode 下，留存率大概在0.5~0.6 之間，表示大概有一半的人使用上有符合我們的期待，但人數上自學 mode 大概是任務 mode 的兩倍

因為一個人一週內可能會同時存在有兩種 mode，因此我們將兩種mode 交叉比對，發現一個「假說」，隨著自學行為在當週比例的提升，任務行為的留存會越高，如果後續驗證這兩者存在有因果關係，那我們可能可以在產品運營上利用獎勵自學行為，進而提高任務留存率

此時，我們可能還在等 Persona 整合，但我們已經可以根據既有數據事實，在產品上進行一些實驗，不用等完整的 Journey map 完成才開始動作

UJM -1.3

建立大指標及 Funnel 視覺化

系列文章

Product

1. 大分群，從過去資料及組織共識，確認重點 TA
2. 大分群收尾 > UX、UJM 分工開跑
3. 根據組織使命、共識，產出理想路徑
4. 利用 Persona +Ideal Path 的產出挑機會點，建立假說及解法
5. Persona 機會點＋UJM＋AARRR 設定目標
6. 設計 or MVP，驗證假說
7. 整合實作

UJM

1. UJM -1 先建立大節點模型 for AARRR，觀察 conversion rate，建立大指標
2. UJM -2 利用persona 分群對照資料，觀察是否存在分群關鍵行為
3. UJM -3 找出不同分群在 UJM 對於 AARRR 的個別影響點

UX

1. 先想好目標、 TA
2. Persona 先著手訪談，整理質性分群，建立 V0.1
3. 找專家、現場、訪談者一起參與編碼，整理出現況，建構 Persona V0.2
4. 建構理想學習旅程
5. 數據比對實際使用旅程，必要時取得帳號，用使用者行為資料 double check
6. 找出機會點